論文の概要: Skewness-Robust Causal Discovery in Location-Scale Noise Models
- arxiv url: http://arxiv.org/abs/2511.14441v1
- Date: Tue, 18 Nov 2025 12:40:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-19 16:23:53.114093
- Title: Skewness-Robust Causal Discovery in Location-Scale Noise Models
- Title（参考訳）: 位置スケール騒音モデルにおけるスキューネス-ローバスト因果発見
- Authors: Daniel Klippert, Alexander Marx,
- Abstract要約: 位置スケールノイズモデルに基づく因果発見のための確率に基づくアルゴリズムであるSkewDを提案する。
SkewDは通常の正規分布フレームワークをスキュー正規設定に拡張し、対称性と歪んだ雑音下での信頼性推論を可能にする。
我々は、スキューノイズを伴う新しい合成データセットと、確立されたベンチマークデータセットに基づいてSkewDを評価する。
- 参考スコア（独自算出の注目度）: 47.09233752567902
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To distinguish Markov equivalent graphs in causal discovery, it is necessary to restrict the structural causal model. Crucially, we need to be able to distinguish cause $X$ from effect $Y$ in bivariate models, that is, distinguish the two graphs $X \to Y$ and $Y \to X$. Location-scale noise models (LSNMs), in which the effect $Y$ is modeled based on the cause $X$ as $Y = f(X) + g(X)N$, form a flexible class of models that is general and identifiable in most cases. Estimating these models for arbitrary noise terms $N$, however, is challenging. Therefore, practical estimators are typically restricted to symmetric distributions, such as the normal distribution. As we showcase in this paper, when $N$ is a skewed random variable, which is likely in real-world domains, the reliability of these approaches decreases. To approach this limitation, we propose SkewD, a likelihood-based algorithm for bivariate causal discovery under LSNMs with skewed noise distributions. SkewD extends the usual normal-distribution framework to the skew-normal setting, enabling reliable inference under symmetric and skewed noise. For parameter estimation, we employ a combination of a heuristic search and an expectation conditional maximization algorithm. We evaluate SkewD on novel synthetically generated datasets with skewed noise as well as established benchmark datasets. Throughout our experiments, SkewD exhibits a strong performance and, in comparison to prior work, remains robust under high skewness.
- Abstract（参考訳）: 因果発見においてマルコフ相当グラフを区別するためには、構造因果モデルを制限する必要がある。
重要なことは、二変量モデルにおけるエフェクト$Y$とエフェクト$Y$を区別することができ、すなわち、二つのグラフ$X \to Y$と$Y \to X$を区別する必要がある。
位置スケールノイズモデル(LSNMs)は、その効果が$X$として$Y = f(X) + g(X)N$としてモデル化される。
しかし、任意のノイズ項に対してこれらのモデルを推定することは困難である。
したがって、実測値は通常、正規分布のような対称分布に制限される。
この論文で示すように、N$ が実世界の領域にある確率変数である場合、これらのアプローチの信頼性は低下する。
この制限に対処するために、スキュードノイズ分布を持つLSNMの下で二変量因果探索のための確率に基づくアルゴリズムSkewDを提案する。
SkewDは通常の正規分布フレームワークをスキュー正規設定に拡張し、対称性と歪んだ雑音下での信頼性推論を可能にする。
パラメータ推定には、ヒューリスティック探索と期待条件最大化アルゴリズムの組み合わせを用いる。
我々は、スキューノイズを伴う新しい合成データセットと、確立されたベンチマークデータセットに基づいてSkewDを評価する。
我々の実験を通して、SkewDは強い性能を示し、以前の研究と比べて、高い歪さの下では頑丈である。
関連論文リスト
- Cross-validating causal discovery via Leave-One-Variable-Out [11.891940572224783]
私たちは"Leave-One-Variable-Out (LOVO)"予測を使い、$Y$は$X$から推論されるが、$X$と$Y$は共同で観測されることはない。
Acyclic Directed Mixed Graphs (ADMGs) という形で、2つの部分集合上の因果モデルが、しばしば$X$ と $Y$ の依存関係に関する結論を導くことを示した。
この予測誤差は、$P(X, Y)$が利用可能であると仮定され、$X$と$Y$がfalの目的のために省略されているため推定できる。
論文 参考訳（メタデータ） (2024-11-08T15:15:34Z) - A Skewness-Based Criterion for Addressing Heteroscedastic Noise in Causal Discovery [47.36895591886043]
非定常対称雑音モデル(HSNMs)について検討する。
データ分布のスコア(すなわちログ密度の勾配)の歪度に基づいて、HSNMを識別するための新しい基準を導入する。
外部ノイズの抽出を必要とせずにヘテロ代用ノイズを処理するアルゴリズムであるSkewScoreを提案する。
論文 参考訳（メタデータ） (2024-10-08T22:28:30Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳（メタデータ） (2023-06-15T16:30:08Z) - On the Identifiability and Estimation of Causal Location-Scale Noise
Models [122.65417012597754]
位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。
症例によっては, 因果方向が同定可能であることが示唆された。
我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
論文 参考訳（メタデータ） (2022-10-13T17:18:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。